随着市场经济的发展,股票市场迅速成长并在国民经济中占据重要地位,因此股票投资成为投资者理财获益的重要方式。股票投资具有高风险高收益特点,股票价格的态势感知不仅有助于政府对股票市场进行监管,而且有助于投资者规避风险、获得回报,因此股票价格趋势预测成为政府及相关部门关注的重点。专家发布的股票评论是对股票未来走势预测的权威参考依据。但是,网络中会同时出现大量的专家股票评论,而且人工阅读股票评论耗时耗力,因此如何快速有效地从海量专家股评中捕捉股票评论的主题信息,具有重要的理论价值和现实意义。针对专家股评的主题识别,本文主要开展了以下两项工作:（1）基于LDA主题概率模型（潜在狄利克雷分布,Latent Dirichlet Allocation）,提出了一种基于词频统计的股评文本主题识别模型,并用于股票价格趋势预测。基于统计学原理的主题概率模型,是以词频统计结果为输入、挖掘词语的潜在语义信息并进行聚类,进而提取其隐含主题分布作为特征的方法,目前广泛应用于文本主题识别。本文将其应用于专家股票评论中,提取股评的特征,并将特征分布输入支持向量机（Support Vector Machine,SVM）进行主题识别,预测股票价格趋势。该方法具有以下优点:a)LDA模型通过挖掘词的内在语义联系获得隐含主题分布,该特征在降低特征维度的同时可减少信息损失,提高股评识别的效果;b)对股票评论的研究拓展了LDA模型的应用范围。（2）结合专家股评文本的特点,本文对BERT模型（Transformer的双向编码表征,Bidirectional Encoder Representations from Transformers）进行了改进,并将其用于专家股评文本的主题识别,进而实现了股票价格趋势精准预测的目的。BERT模型是双向编码的单词嵌入模型,可在提取的特征中包含全面捕捉的上下文结构信息,是目前用于文本分类等领域的最先进方法之一。本文将其进行改进并用于股票市场中,在BERT的输入中运用滑动窗口分割股票评论,在输出中运用多层特征消融方法提取融合性更高的特征,以此特征进行主题识别,并用于股票价格趋势预测。本方法中做了如下改进:a)滑动窗截取原始股票评论,该方法帮助BERT模型获取股评的全部信息,并增加样本量,减少过拟合问题;b)运用多层特征消融提取有效的融合特征,该方法可提高主题识别的准确性;c)BERT模型多层特征消融方法在BERT模型学习上下文结构信息的基础上,进一步提高其特征的融合效果。基于实测数据的实验结果表明:本文所提出的两种模型,都能够准确捕捉专家股票评论文本的主题,用于指导股票价格趋势预测。